Secondo gli esperti di digitalizzazione, l’AI può coprire un ruolo significativo nel contesto della supply chain farmaceutica contribuendo all’ottimizzazione dei percorsi di trasporto, la gestione delle scorte in tempo reale e a un controllo di produzione più accurato e tempestivo. Non a caso, compagnie come Pfizer, Amgen, GSK, Merck e Roche sfruttano già soluzioni di intelligenza artificiale per prevedere interruzioni della catena di fornitura, ottimizzare i livelli di inventario e migliorare i processi produttivi.
Analisi predittiva e carenza dei farmaci
Una delle più frequenti criticità che il mercato deve affrontare è lo shortage di farmaci: già prima del Covid, il 95% degli intervistati di un’indagine condotta in 39 Paesi europei indicava la carenza di farmaci come ostacolo al processo ottimale di cura.
Nel 2020, con la pandemia, un terzo dei Paesi europei ha segnalato una carenza di oltre 400 farmaci e in un periodo di soli 9 mesi, cinque stati hanno pubblicato complessivamente oltre 5.000 segnalazioni di carenza (Finlandia, Svezia, Norvegia, Spagna e Stati Uniti).
Secondo uno studio negli Usa, anche lì “le carenze attuali sono le più alte in un decennio”. Naturalmente su questo fattore pesa la dipendenza da Paesi terzi ma nell’ottica di ottimizzare l’ottimizzabile, la predictive analytics può fornire il suo contributo. Ad esempio può essere usata per prevedere con maggior dettaglio la domanda di prodotti, permettendo alle aziende di calibrare i sistemi di inventario e mantenere livelli di stock adeguati riducendo i rischi di scorte insufficienti o eccessive.
In base a quanto riportato da un fornitore di servizi digitali, l’introduzione di sistemi di machine learning basati sul cloud di AWS (i servizi web di Amazon) ha permesso a una big pharma di ridurre l’errore di previsione di circa il 15%, risparmiando il 2,5% sui costi e aumentando i ricavi dell’1,5% (circa 600 milioni di dollari).
Nella sua forma più semplice, l’intelligenza artificiale prevede quali articoli saranno immagazzinati più a lungo e li posiziona di conseguenza. Forbes riporta il caso di un fornitore di alimenti nella cold supply chain che in questo modo ha aumentato la sua produttività del 20%.
Rotte smart
Anche la mancata ottimizzazione dei mezzi di trasporto e delle rotte può essere costosa: uno studio condotto da McKinsey ha rivelato che le inefficienze della supply chain farmaceutica aumentano i costi fino al 30%. Gli algoritmi AI permettono di identificare i mezzi e le rotte di trasporto più economici e efficienti, tenendo conto di fattori come le caratteristiche geografiche, le condizioni meteorologiche e i pattern logistici. Secondo Analytics Insight, il mercato globale dell’AI nel settore dei trasporti sta crescendo a un tasso annuo composto del 15,8% e dovrebbe raggiungere i 3,8 miliardi di dollari nel 2025.
Gestire miliardi di dati
Le supply chain del settore farmaceutico generano anche enormi volumi di dati, che possono crescere esponenzialmente con l’incremento delle fonti di informazioni. Si tratta di un problema che investe tutti i settori. La International data corporation (IDC) prevede che la ”datasfera” globale quadruplicherà dai valori del 2019 raggiungendo i 175 ZB entro il 2025 (un Zettabyte, ZB, è equivalente a mille miliardi di Gigabyte). Utilizzando strumenti di analisi basati sull’AI, come il machine learning e il natural language processing, le aziende possono individuare relazioni nascoste in questo magma di dati e utilizzarle per effettuare previsioni.
Un’applicazione di organizzazione, etichettatura, pulizia e analisi dei dati biomedici e sanitari, ad esempio, impiega solo 12 minuti per analizzare 1,2 milioni di varianti associate a una malattia in 155 pazienti. E le performance di queste macchine migliorano esponenzialmente. Per addestrare una rete neurale al livello di AlexNet (una delle più note) oggi basta il 2% della potenza di calcolo necessaria nel 2012, una progressione che supera la Legge di Moore (formulata dal co-fondatore di Intel, prevede un raddoppio delle prestazioni dei computer ogni due anni, allo stesso costo).
Ottimizzazione della produzione
Un altro interessante contributo dell’AI riguarda le fasi di produzione, dove la capacità di analizzare i dati in tempo reale permette di prendere decisioni immediate riguardo la programmazione delle attività, i livelli di inventario e la logistica. Gli algoritmi possono analizzare i dati dai sensori sugli impianti per prevedere il momento della manutenzione, riducendo i tempi di inattività e migliorando l’efficacia delle apparecchiature ma sono anche in grado di analizzare le immagini dei prodotti per individuarne difetti, in modo analogo all’analisi delle immagini radiologiche per la diagnostica.
Il contributo di un sistema di manutenzione predittiva può essere significativo: uno studio di McKinsey ha stimato che queste tecnologie possono incrementare la produttività dal 50 al 100% e persino tra il 150-200% in laboratori con “prestazioni medie”. L’automazione può ridurre gli errori manuali e la variabilità, garantendo una migliore qualità e conformità, con una riduzione delle deviazioni complessive del 65% e tempi più rapidi del 90%.
Secondo un fornitore di software industriale, l’analisi predittiva ha permesso di ridurre le interruzioni della filiera di una società farmaceutica risparmiando il 60% dei costi di manutenzione e il 50% delle spese in conto capitale.
